Habitat Imaging Combined with Multiscale Peritumoral Radiomics and Pathological STAS Status for Predicting Early Postoperative Recurrence in Stage T1 Non-Small Cell Lung Cancer

El cáncer de pulmón sigue siendo la principal causa de muerte relacionada con el cáncer en todo el mundo y, para los pacientes con enfermedad en etapa temprana, la cirugía suele ser la cura estándar. Sin embargo, incluso después de una operación exitosa, algunos pacientes enfrentan un riesgo significativo de que el cáncer regrese. Una característica biológica específica, conocida como propagación a través de los espacios aéreos, actúa como una poderosa señal de advertencia. Esto ocurre cuando las células cancerosas se desprenden del tumor principal y flotan libremente en los diminutos sacos de aire de los pulmones, un comportamiento que hace que la enfermedad tenga más probabilidades de reaparecer. El problema es que los médicos solo pueden confirmar esta peligrosa característica después de que el tumor ha sido extraído y examinado bajo un microscopio, lo que los deja sin una forma de predecir el riesgo antes de que comience la cirugía. Para resolver esto, los investigadores han recurrido a un campo llamado radiómica, que trata las imágenes médicas no solo como fotografías, sino como vastas fuentes de datos ocultos. Al analizar los patrones sutiles de luz y textura dentro de un escaneo, las computadoras pueden detectar detalles invisibles para el ojo humano, ofreciendo una ventana potencial a la verdadera naturaleza del tumor antes de realizar una sola incisión.

Un equipo de investigadores del Hospital Shanxi Bethune en China ha desarrollado un nuevo método para predecir si el cáncer de pulmón en etapa temprana regresará después de la cirugía. Se centraron en pacientes con cáncer de pulmón de células no pequeñas en estadio T1, un grupo que típicamente tiene un buen pronóstico pero que aun así enfrenta un riesgo no despreciable de recurrencia. El equipo creó un modelo computacional sofisticado que combina tres tipos distintos de información: los detalles clínicos del paciente, el estado biológico de la propagación a través de los espacios aéreos y un análisis profundo de la estructura interna del tumor y sus alrededores inmediatos. Su objetivo era construir una herramienta que pudiera ayudar a los médicos a identificar a los pacientes de alto riesgo de manera más temprana, permitiendo planes de seguimiento y decisiones de tratamiento más personalizados.

Para construir este modelo, los investigadores revisaron los registros de 216 pacientes que se habían sometido a cirugía por cáncer de pulmón en etapa temprana entre 2019 y 2022. Dividieron a estos pacientes en dos grupos: un grupo más grande para entrenar a la computadora y un grupo más pequeño para probar qué tan bien aprendió la computadora. El equipo comenzó examinando las tomografías computarizadas (TC) de tórax de los pacientes, que son imágenes 3D detalladas de los pulmones. En lugar de tratar el tumor como una masa única y uniforme, utilizaron una técnica llamada imagen de hábitat. Este método descompone el tumor en subregiones más pequeñas y distintas basadas en cómo se ven y se comportan los píxeles, de manera muy similar a como un geólogo podría mapear diferentes tipos de suelo dentro de un mismo campo. Al agrupar estas áreas diminutas, la computadora podía ver el paisaje complejo e irregular dentro del tumor que un escaneo estándar pasaría por alto.

Los investigadores también miraron más allá del tumor mismo. Analizaron el tejido inmediatamente circundante al cáncer, creando anillos de análisis a distancias de uno, tres y cinco milímetros del borde del tumor. Sabían que el entorno justo al lado de un tumor a menudo contiene pistas sobre qué tan agresivamente está creciendo. Extrajeron miles de características numéricas de estas zonas, midiendo todo, desde la forma del tumor hasta la textura del tejido. Luego combinaron estos detalles de imagen con la historia médica de los pacientes, como la edad y el género, y los resultados del examen patológico que confirmó si la presencia de la propagación a través de los espacios aéreos estaba presente.

El equipo probó varios algoritmos de aprendizaje computacional diferentes para ver cuál podía predecir mejor la recurrencia. Encontraron que un modelo que combinaba todos estos elementos —factores clínicos, los "hábitats" internos del tumor y las características del anillo de tres milímetros alrededor del tumor— funcionaba mejor. En su grupo de prueba, este modelo combinado identificó correctamente el riesgo de recurrencia con una tasa de precisión que se tradujo en una puntuación de 0.865. Esto fue significativamente mejor que los modelos que dependían solo de los datos clínicos, solo de los patrones internos del tumor o solo del tejido circundante. El estudio mostró que la zona de tres milímetros alrededor del tumor proporcionaba la información más útil sobre el entorno circundante, sugiriendo que el vecindario inmediato del tumor es crítico para comprender su comportamiento.

Los investigadores también confirmaron que ciertos factores eran predictores independientes de la recurrencia. Estos incluyeron la presencia de un signo específico en el escaneo llamado signo de la vacuola, el género del paciente, la presencia de propagación a través de los espacios aéreos, la forma en que el tumor tiraba del revestimiento pulmonar cercano y el tamaño máximo del tumor. Cuando el modelo computacional integró el estado de la propagación a través de los espacios aéreos con los datos detallados de imagen, creó una imagen mucho más clara del riesgo que cualquier pieza de información individual por sí sola. El modelo fue capaz de distinguir entre los pacientes que permanecerían libres de cáncer y aquellos que experimentarían un regreso de la enfermedad con un alto grado de confiabilidad.

Si bien los resultados son prometedores, los autores señalan que su estudio tiene limitaciones. Fue realizado en un solo hospital con un número moderado de pacientes, y los datos provinieron de una población específica, lo que significa que el modelo necesita ser probado en grupos de personas más grandes y diversos antes de que pueda usarse ampliamente. Además, el proceso de mapeo de las regiones del tumor se realizó manualmente, lo cual es laborioso, aunque los avances futuros en tecnología automatizada podrían acelerar esto. A pesar de estos obstáculos, el estudio demuestra que combinar diferentes capas de información —desde la biología microscópica del tumor hasta los patrones macroscópicos en el escaneo— crea una herramienta poderosa para la predicción.

Este trabajo ofrece un camino práctico hacia el manejo del cáncer de pulmón en etapa temprana. Al utilizar un enfoque no invasivo que analiza la diversidad interna del tumor y su entorno inmediato, los médicos pronto podrían ser capaces de predecir el riesgo de recurrencia con mayor precisión. Esto podría ayudar a personalizar la atención postquirúrgica, asegurando que los pacientes que están en mayor riesgo reciban la atención y el tratamiento necesarios, mientras se evita a aquellos en menor riesgo de intervenciones innecesarias. El estudio sugiere que el futuro del cuidado del cáncer no reside solo en mirar el tumor, sino en comprender la compleja historia que cuenta a través de su forma, su entorno y su estructura interna oculta.